基于凸凹奇异值分离与增强局部对比度测量的红外小目标时空张量检测方法

针对复杂背景下红外小目标检测易受强边缘和噪声干扰的难题，新疆大学团队提出了一种融合凸凹奇异值分离(CCSVS)与增强局部对比度测量(ELCM)的时空张量模型(CCSVS-ELCMTV)。该研究通过对抗式处理不同量级奇异值提升背景秩估计精度，结合l1/2 范数时空全变分(STTV1/2 )实现噪声鲁棒性抑制，在六大数据集上验证了其目标提取与背景抑制的优越性，为红外搜索跟踪(IRST)系统提供了创新解决方案。

　　

在军事预警和森林防火等领域，红外搜索跟踪(IRST)系统面临着"小、暗、杂、噪"目标的检测困境——目标仅占1×1至9×9像素，却需在云层、建筑边缘等复杂背景下"大海捞针"。传统方法如基于滤波的Top-hat算法、低秩稀疏分解(LRSD)模型等，或受限于背景异质性导致目标过分割，或因核范数平等处理所有奇异值而误判强边缘为靶标。更棘手的是，现有时空全变分(STTV)采用l₁
范数会过度平滑弱梯度结构，而结构张量直接应用反而会增强线性杂波。这些瓶颈严重制约着红外预警系统的实战效能。

新疆大学Ziling Lu团队在《Optics and Lasers in Engineering》发表的研究，创新性地构建了时空张量模型(STTM)框架下的CCSVS-ELCMTV算法。该工作通过三个关键技术突破：1) 采用凸凹奇异值分离策略对抗性处理不同量级奇异值，打破传统TNN(张量核范数)的均等惩罚局限；2) 将增强型局部对比度测量(ELCM)与结构张量理论融合，构建能同时强化弱目标、抑制强边缘的局部显著性权重；3) 设计基于l_1/2
范数的STTV_1/2
正则项，实现梯度自适应噪声抑制。研究通过ADMM框架求解，在SIRST等六大数据集上验证了其优越性。

【方法论架构】
研究首先将图像序列堆叠为三维时空张量，建立包含背景项(B)、目标项(T)、噪声项(N)的分解模型。关键技术包括：1) CCSVS背景约束项通过logistic函数将奇异值分为高/低两组协同优化；2) ELCM权重融合改进的比率对比度与结构张量特征；3) STTV_1/2
采用分式函数逼近l_1/2
拟范数，在MATLAB2018a平台实现。实验采用SCRG(信杂比增益)和BSF(背景抑制因子)等指标评估。

【突破性发现】

1. 奇异值分离的对抗机制：CCSVS使前5%大奇异值的相对误差降低62%，较传统TNN更逼近真实低秩分布。在云层突变的Scene 3中，背景重构PSNR提升4.7dB。
2. 双模态局部先验：ELCM权重使目标稀疏度提升3.2倍，同时将边缘杂波的误检率降低41%。如图4所示，桥梁栏杆等线性结构在显著图中被有效弱化。
3. 梯度自适应去噪：STTV_1/2
   在保持边缘锐度的前提下，对高斯噪声(σ=0.1)的抑制效率达92%，较传统STTV提升23%。

【范式革新意义】
该研究通过"全局低秩建模-局部特征增强-梯度自适应优化"的三重创新，解决了LRSD领域三大痛点：1) 突破传统张量秩估计的均质化假设，首次实现奇异值的对抗式分离；2) 建立ELCM与结构张量的协同增强机制，为弱目标检测提供新范式；3) l_1/2
拟范数的引入开创了红外图像梯度选择平滑的先河。实际应用中，算法在新疆边境的红外监控系统实现97.3%的夜间无人机检测率，为高动态复杂场景下的目标准确识别提供关键技术支撑。未来研究可向高光谱张量建模方向拓展，进一步提升多模态信息融合能力。